第九章 模型设定与数据问题探讨.pdf

第九章模型设定与数据 问题探讨 一、模型设定偏误的类型  模型设定偏误主要有两大类: (1)关于解释变量选取的偏误，主要包括漏选相关变 量和多选无关变量， (2)关于模型函数形式选取的偏误。 1. 相关变量的遗漏（omitting relevant variables ）  例如，如果“正确”的模型为: Y   X  X  0 1 1 2 2 而我们将模型设定为: Y   X v 0 1 1 即设定模型时漏掉了一个相关的解释变量。 这类错误称为遗漏相关变量。 2. 无关变量的误选 (including irrevelant variables)  例如，如果 Y= +X +X + 0 1 1 2 2 仍为“真”，但我们将模型设定为: Y= + X + X + X + 0 1 1 2 2 3 3 即设定模型时，多选了一个无关解释变量。 3. 错误的函数形式(wrong functional form)  例如，如果“真实”的回归函数为: Y AX 1 X 2 e 1 2 但却将模型设定为: Y   X  X v 0 1 1 2 2 二、模型设定偏误的后果  当模型设定出现偏误时，模型估计结果也会与 “实际”有偏差。这种偏差的性质及程度与模型设 定偏误的类型密切相关。 1. 遗漏相关变量偏误 采用遗漏相关变量的模型进行估计而带来的偏 误称为遗漏相关变量偏误 （omitting relevant variable bias ）。 设正确的模型为: Y=+X +X + 0 1 1 2 2 却对 Y=+ X +v 0 1 1 进行回归，得: ˆ x1i y i  1 2 x1i 将正确模型 Y=+X +X +的离差形式: 0 1 1 2 2 y  x  x   i 1 1i 2 2i i ˆ x1i y i  代入 1 2 得: x1i x y x x x